CN113656685A - 一种搜索信息推荐方法、装置、电子设备及存储介质 - Google Patents
一种搜索信息推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113656685A CN113656685A CN202110801267.0A CN202110801267A CN113656685A CN 113656685 A CN113656685 A CN 113656685A CN 202110801267 A CN202110801267 A CN 202110801267A CN 113656685 A CN113656685 A CN 113656685A
- Authority
- CN
- China
- Prior art keywords
- information
- feature
- search
- target
- characterization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012512 characterization method Methods 0.000 claims abstract description 201
- 238000004364 calculation method Methods 0.000 claims abstract description 104
- 238000012545 processing Methods 0.000 claims description 63
- 238000006243 chemical reaction Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 description 45
- 239000013598 vector Substances 0.000 description 33
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开关于一种搜索信息推荐方法、装置、电子设备及存储介质,该方法包括:获取目标对象在目标搜索区域输入的初始搜索信息、目标对象的对象属性信息,和候选表征信息;基于初始搜索信息和对象属性信息确定目标表征信息;基于目标表征信息和候选表征信息进行关联信息计算,得到目标表征信息与候选表征信息间的关联信息;基于关联信息从候选表征信息对应的候选搜索信息中确定目标搜索信息;向目标对象推荐目标搜索信息。利用本公开实施例提供的技术方案可以结合目标对象的输入信息和特性,灵活高效地实现个性化的搜索信息推荐。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种搜索信息推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展,大部分应用程序都会提供内容搜索功能,用户可以结合搜索功能搜索想要的相关内容。在进行内容搜索时,用户可以在输入框输入关键字,根据用户输入的关键字进行搜索信息补全推荐能够帮助用户减少输入成本,提升搜索便利性。
相关技术中,常常会将用户输入的关键字作为前缀进行搜索信息推荐,对用户输入信息的准确性要求较高,搜索信息推荐不灵活且推荐结果较为单一,此外由于搜索信息种类和数量庞大,推荐的搜索信息常会不符合用户的实际搜索需求。
发明内容
本公开提供一种搜索信息推荐方法、装置、电子设备及存储介质,以至少解决相关技术中搜索信息推荐不灵活、结果单一不符合用户实际搜索需求的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种搜索信息推荐方法,包括:
获取目标对象在目标搜索区域输入的初始搜索信息、所述目标对象的对象属性信息,和候选表征信息;
基于所述初始搜索信息和所述对象属性信息确定目标表征信息;
基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息;
基于所述关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息;
向所述目标对象推荐所述目标搜索信息。在一个示例性的实施方式中,所述目标表征信息为目标搜索特征,所述基于所述初始搜索信息和所述对象属性信息确定目标表征信息包括:
将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征,所述目标搜索特征指示所述目标对象的搜索输入情况和所述目标对象的对象属性。
在一个示例性的实施方式中,所述第一特征表征模型包括第一信息特征转换层、第一特征计算层和第一加权求和层;所述将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征包括:
将所述初始搜索信息和所述对象属性信息输入所述第一信息特征转换层进行特征转换,得到第一初始特征序列;
将所述第一初始特征序列输入所述第一特征计算层进行隐层特征计算,得到第一隐层特征序列;
将所述第一隐层特征序列输入所述第一加权求和层进行加权求和处理,得到所述目标搜索特征。
在一个示例性的实施方式中,所述候选表征信息为候选搜索特征,所述方法还包括预先生成所述候选搜索特征的步骤,所述预先生成所述候选搜索特征的步骤包括:
获取所述候选搜索信息;
将所述候选搜索信息输入第二特征表征模型进行特征表征处理,得到所述候选搜索特征,所述候选搜索特征指示所述候选搜索信息的特征信息。
在一个示例性的实施方式中,所述第二特征表征模型包括第二信息特征转换层、第二特征计算层和第二加权求和层;所述将所述候选搜索信息输入第二特征表征模型进行特征表征处理,得到所述候选搜索特征包括:
将所述候选搜索信息输入所述第二信息特征转换层进行特征转换,得到第二初始特征序列;
将所述第二初始特征序列输入所述第二特征计算层进行隐层特征计算,得到第二隐层特征序列;
将所述第二隐层特征序列输入所述第二加权求和层进行加权求和处理,得到所述候选搜索特征。
在一个示例性的实施方式中,所述方法还包括:
响应于基于所述目标搜索信息触发的搜索信息确认指令,将所述目标搜索区域中的所述初始搜索信息更新为所述目标搜索信息;
向所述目标对象推荐与所述目标搜索信息对应的推荐信息。
在一个示例性的实施方式中,所述基于所述初始搜索信息和所述对象属性信息确定目标表征信息包括:
将所述初始搜索信息和所述对象属性信息输入目标双塔模型中的第一特征表征模型进行特征表征处理,得到所述目标表征信息;
获取所述候选表征信息包括:
获取所述候选搜索信息;
将所述候选搜索信息输入所述目标双塔模型中的第二特征表征模型进行特征表征处理,得到所述候选表征信息;
所述基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息包括:
将所述目标表征信息和所述候选表征信息输入所述目标双塔模型中的关联信息计算模型进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息。
在一个示例性的实施方式中,所述方法还包括:
获取样本对象的样本初始搜索信息和样本对象属性信息,以及所述样本对象的正样本训练数据和负样本训练数据;
将所述样本初始搜索信息、所述样本对象属性信息和所述正样本训练数据输入预设双塔模型进行关联信息计算,得到第一样本关联信息,所述预设双塔模型包括第一预设子模型、第二预设子模型和所述关联信息计算模型;
将所述样本初始搜索信息、所述样本对象属性信息和所述负样本训练数据输入所述预设双塔模型进行关联信息计算,得到第二样本关联信息;
基于所述第一样本关联信息和所述第二样本关联信息计算目标损失数据;
基于所述目标损失数据对所述第一预设子模型和所述第二预设子模型进行训练,得到所述目标双塔模型中的第一特征表征模型,以及所述目标双塔模型中的第二特征表征模型。
在一个示例性的实施方式中,所述样本对象的负样本训练数据的获取包括:
从所述样本对象的关联搜索信息集和非关联搜索信息集中,获取不包含所述样本初始搜索信息的第一搜索信息;
从所述样本对象的非关联搜索信息集中,获取包含所述样本初始搜索信息的第二搜索信息;
基于所述第一搜索信息和所述第二搜索信息确定所述样本对象的负样本训练数据。
根据本公开实施例的第二方面,提供一种搜索信息推荐装置,包括:
信息获取模块,被配置为执行获取目标对象在目标搜索区域输入的初始搜索信息、所述目标对象的对象属性信息,和候选表征信息;
目标表征信息确定模块,被配置为执行基于所述初始搜索信息和所述对象属性信息确定目标表征信息;
关联信息计算模块,被配置为执行基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息;
目标搜索信息确定模块,被配置为执行基于所述关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息;
搜索信息推荐模块,被配置为执行向所述目标对象推荐所述目标搜索信息。
在一个示例性的实施方式中,所述目标表征信息为目标搜索特征,所述目标表征信息确定模块包括:
第一特征表征单元,被配置为执行将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征,所述目标搜索特征指示所述目标对象的搜索输入情况和所述目标对象的对象属性。
在一个示例性的实施方式中,所述第一特征表征模型包括第一信息特征转换层、第一特征计算层和第一加权求和层;所述第一特征表征单元包括:
第一特征转换单元,被配置为执行将所述初始搜索信息和所述对象属性信息输入所述第一信息特征转换层进行特征转换,得到第一初始特征序列;
第一隐层特征计算单元,被配置为执行将所述第一初始特征序列输入所述第一特征计算层进行隐层特征计算,得到第一隐层特征序列;
第一加权求和单元,被配置为执行将所述第一隐层特征序列输入所述第一加权求和层进行加权求和处理,得到所述目标搜索特征。
在一个示例性的实施方式中,所述候选表征信息为候选搜索特征,所述装置还包括候选搜索特征生成模块,被配置为执行预先生成所述候选搜索特征,所述候选搜索特征生成模块包括:
候选搜索信息获取单元,被配置为执行获取所述候选搜索信息;
第二特征表征单元,被配置为执行将所述候选搜索信息输入第二特征表征模型进行特征表征处理,得到所述候选搜索特征,所述候选搜索特征指示所述候选搜索信息的特征信息。
在一个示例性的实施方式中,所述第二特征表征模型包括第二信息特征转换层、第二特征计算层和第二加权求和层;所述第二特征表征单元包括:
第二特征转换单元,被配置为执行将所述候选搜索信息输入所述第二信息特征转换层进行特征转换,得到第二初始特征序列;
第二隐层特征计算单元,被配置为执行将所述第二初始特征序列输入所述第二特征计算层进行隐层特征计算,得到第二隐层特征序列;
第二加权求和单元,被配置为执行将所述第二隐层特征序列输入所述第二加权求和层进行加权求和处理,得到所述候选搜索特征。
在一个示例性的实施方式中,所述装置还包括:
搜索信息更新模块,被配置为执行响应于基于所述目标搜索信息触发的搜索信息确认指令,将所述目标搜索区域中的所述初始搜索信息更新为所述目标搜索信息;
信息推荐模块,被配置为执行向所述目标对象推荐与所述目标搜索信息对应的推荐信息。
在一个示例性的实施方式中,所述目标表征信息确定模块包括:
第一模型表征单元,被配置为执行将所述初始搜索信息和所述对象属性信息输入目标双塔模型中的第一特征表征模型进行特征表征处理,得到所述目标表征信息;
所述信息获取模块包括:
候选信息获取单元,被配置为执行获取所述候选搜索信息;
第二模型表征单元,被配置为执行将所述候选搜索信息输入所述目标双塔模型中的第二特征表征模型进行特征表征处理,得到所述候选表征信息;
所述关联信息计算模块包括:
关联信息模型计算单元,被配置为执行将所述目标表征信息和所述候选表征信息输入所述目标双塔模型中的关联信息计算模型进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息。
在一个示例性的实施方式中,所述装置还包括:
样本获取模块,被配置为执行获取样本对象的样本初始搜索信息和样本对象属性信息,以及所述样本对象的正样本训练数据和负样本训练数据;
第一关联信息计算模块,被配置为执行将所述样本初始搜索信息、所述样本对象属性信息和所述正样本训练数据输入预设双塔模型进行关联信息计算,得到第一样本关联信息,所述预设双塔模型包括第一预设子模型、第二预设子模型和所述关联信息计算模型;
第二关联信息计算模块,被配置为执行将所述样本初始搜索信息、所述样本对象属性信息和所述负样本训练数据输入所述预设双塔模型进行关联信息计算,得到第二样本关联信息;
损失数据计算模块,被配置为执行基于所述第一样本关联信息和所述第二样本关联信息计算目标损失数据;
模型训练模块,被配置为执行基于所述目标损失数据对所述第一预设子模型和所述第二预设子模型进行训练,得到所述目标双塔模型中的第一特征表征模型,以及所述目标双塔模型中的第二特征表征模型。
在一个示例性的实施方式中,所述样本获取模块包括:
第一搜索信息获取单元,被配置为执行从所述样本对象的关联搜索信息集和非关联搜索信息集中,获取不包含所述样本初始搜索信息的第一搜索信息;
第二搜索信息获取单元,被配置为执行从所述样本对象的非关联搜索信息集中,获取包含所述样本初始搜索信息的第二搜索信息;
负样本训练数据获取单元,被配置为执行基于所述第一搜索信息和所述第二搜索信息确定所述样本对象的负样本训练数据。
根据本公开实施例的第三方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现上述第一方面的搜索信息推荐方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述第一方面的搜索信息推荐方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述第一方面的搜索信息推荐方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过获取目标对象在目标搜索区域输入的初始搜索信息、目标对象的对象属性信息,和候选表征信息;基于初始搜索信息和对象属性信息确定目标表征信息;基于目标表征信息和候选表征信息进行关联信息计算,得到目标表征信息与候选表征信息间的关联信息;基于关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息;向目标对象推荐目标搜索信息,能够结合目标对象的输入信息和特性,灵活高效地实现个性化的搜索信息推荐。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种搜索信息推荐方法的流程图;
图2是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图3是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图4是根据一示例性实施例示出的一种模型数据处理过程的示意图;
图5是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图6是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图7是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图8是根据一示例性实施例示出的一种双塔模型的结构示意图;
图9是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图10是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图11是根据一示例性实施例示出的另一种搜索信息推荐方法的流程图;
图12是根据一示例性实施例示出的一种搜索信息推荐方法的应用环境示意图;
图13是根据一示例性实施例示出的一种搜索信息推荐装置的框图;
图14是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种搜索信息推荐方法的流程图,如图1所示,该图像处理方法应用于终端、服务器、边缘计算节点等电子设备中,包括以下步骤:
在步骤S101中,获取目标对象在目标搜索区域输入的初始搜索信息、所述目标对象的对象属性信息,和候选表征信息。
具体的,该目标对象可以为推荐系统中的任一用户,推荐系统可以为具有信息搜索功能的应用程序,应用程序可以包括但不限于视频类应用程序、购物类应用程序、新闻类应用程序。该目标对象在目标搜索区域输入的初始搜索信息可以为用户当前在信息搜索框中输入的搜索关键词,这个搜索关键词往往是不完整的搜索信息,后续系统能够结合用户输入的初始搜索信息进行搜索信息补全推荐,推荐与该搜索关键词相应的完整搜索信息。例如,用户输入的初始搜索信息为“海洋”,则对应的完整搜索信息可能为“海洋生物种类”、“海洋风景”、“适合旅游的海洋”、“海洋相关游戏”、“海洋风格穿搭”等,通过根据用户输入的搜索关键字进行搜索信息补全推荐能够帮助用户减少输入成本,提升搜索便利性,快速得到想要的信息。
具体的,该目标对象的对象属性信息可以指示该目标对象的个体特性,该目标对象的对象属性信息具体可以包括但不限于该目标对象的年龄、性别、学历、兴趣爱好、工作性质、地理位置等。由于搜索信息条目种类和数量非常庞大,仅根据目标对象在目标搜索区域输入的搜索关键字进行搜索信息补全推荐会出现涉及各领域,但推荐的搜索信息往往不符合用户的实际搜索需求,例如,当目标对象为男性用户时,用户输入的初始搜索信息为“海洋”,则其搜索意图可能更加倾向于海洋相关的游戏视频,此时将“海洋相关游戏”作为补全的搜索信息推荐给用户更能够满足用户的实际搜索需求,当目标对象为女性用户时,用户输入的初始搜索信息为“海洋”,则其搜索意图可能更加倾向于海洋相关的服饰穿搭,此时将“海洋风格穿搭”作为补全的搜索信息推荐给用户更能够满足用户的实际搜索需求。基于此,本公开可以结合用户的个体特性进行搜索信息推荐,实现个性化的搜索信息补全推荐,提升搜索信息推荐的灵活性和准确性。
具体的,候选表征信息可以为对候选搜索信息中的各搜索信息分别进行表征处理得到的;在一个具体的实施例中,上述的候选表征信息为候选搜索特征,候选搜索特征可以为对候选搜索信息中的各搜索信息分别进行向量表征后得到的多个表征向量,每个表征向量对应候选搜索信息中的一条搜索信息,且候选搜索信息中的每个搜索信息为推荐系统中的用户历史搜索的搜索信息,进而能够以向量的形式表征对应的搜索信息,简洁方便。在一个可选的实施例中,上述的候选搜索特征可以为预先基于第二特征表征模型对候选搜索信息进行特征表征处理得到的,此时获取候选搜索特征可以为将上述预先得到的候选搜索特征加载至终端内存,或从终端内存中读取上述的候选搜索特征。
在步骤S103中,基于所述初始搜索信息和所述对象属性信息确定目标表征信息。
在本公开实施例中,目标表征信息可以为根据所述初始搜索信息和所述对象属性信息进行表征处理得到的;在一个具体的实施例中,上述目标表征信息为目标搜索特征,上述的目标搜索特征可以指示所述目标对象的搜索输入情况和所述目标对象的对象属性。请参阅图2,上述基于所述初始搜索信息和所述对象属性信息确定目标表征信息可以包括:
在步骤S201中,将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征。
在本公开实施例中该目标搜索特征具体可以为与该目标对象的当前搜索输入情况对应的表征向量,该目标搜索特征以向量形式融合了该目标对象的个体特性和该目标对象当前的输入信息,简洁方便,且能够与上述的候选搜索特征实现格式统一,有利于后续高效实现关联信息计算。
在一个可选的实施例中,该第一特征表征模型可以包括第一信息特征转换层、第一特征计算层和第一加权求和层;在一个可选的实施例中,该第一特征表征模型可以为目标双塔模型的一部分。
请参阅图3,上述将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征的步骤可以包括:
在步骤S301中,将所述初始搜索信息和所述对象属性信息输入所述第一信息特征转换层进行特征转换,得到第一初始特征序列。
在本公开实施例中,为了满足模型进行数据处理的格式需求,需要将原始信息(初始搜索信息和对象属性信息)转换为特征形式(向量形式)。具体的,可以对上述初始搜索信息和上述对象属性信息的每个单位字段进行向量转换再进行拼接,得到上述的第一初始特征序列。在一个可选的实施例中,可以将上述初始搜索信息中的每个字符作为一个单位字段并进行向量转换,例如,初始搜索信息为“海洋”,则“海洋”这个初始搜索信息包括两个单位字段:“海”和“洋”;相应的,可以将上述对象属性信息中的每个属性字段作为一个单位字段并进行向量转换,例如,目标对象的属性信息包括:性别-男,年龄20-25,则分别将“性别-男”和“年龄20-25”作为两个单位字段并进行向量转换。
在本公开实施例中,上述的第一信息特征转换层可以存储有信息特征映射数据,该信息特征映射数据可以指示单位字段与对应向量数值间的映射关系,各单位字段对应的向量数值为经过模型训练得到的在实际应用中,上述的信息特征映射数据可以以信息特征对应表的形式展示,如下方的表1所示,此时转换后初始搜索信息和上述对象属性信息的每个单位字段可以表示为一个三维向量。
单位字段 | 向量数值 |
海 | (0.1,0.1,0.2) |
洋 | (0.2,0.1,0.2) |
游 | (0.2,0.3,0.1) |
戏 | (0.05,0.1,0.1) |
性别-男 | (0.6,0.5,0.3) |
性别-女 | (0.8,0.4,0.4) |
年龄20-25 | (0.5,0.6,0.5) |
表1
例如,此时上述的初始搜索信息为“海洋”,对象属性信息为:性别-男,年龄20-25,每个单位字段对应的初始特征(初始向量)可以表示为:w1(海)=(0.1,0.1,0.2),w2(洋)=(0.2,0.1,0.2),w3(性别-男)=(0.6,0.5,0.3),w4(年龄20-25)=(0.5,0.6,0.5);拼接后得到上述的第一初始特征序列w=(w1,w2,w3,w4)。
通过利用第一信息特征转换层对初始搜索信息和对象属性信息进行特征转换,有利于满足进行数据处理的格式需求,提升对信息进行特征表征的效率。
在步骤S303中,将所述第一初始特征序列输入所述第一特征计算层进行隐层特征计算,得到第一隐层特征序列。
具体的,将所述第一初始特征序列输入所述第一特征计算层进行隐层特征计算,得到第一隐层特征序列可以包括:基于所述第一特征计算层计算上述第一初始特征序列中每个初始特征对应的隐层特征,得到第一隐层特征序列;具体可以包括计算上述第一初始特征序列中每个初始特征对应的第一特征和第二特征,对上述第一特征和第二特征进行拼接处理,得到初始特征对应的隐层特征,例如上述的第一初始特征序列w=(w1,w2,w3,w4),经第一特征计算层进行隐层特征计算后,得到第一隐层特征序列H=(h1,h2,h3,h4),其中,concat表示向量拼接,表示初始特征wi对应的第一特征,表示初始特征wi对应的第二特征。
在一个可选的实施例中,该第一特征计算层可以为双向lstm模型(双向长短时记忆模型)。
在步骤S305中,将所述第一隐层特征序列输入所述第一加权求和层进行加权求和处理,得到所述目标搜索特征。
具体的,将所述第一隐层特征序列输入所述第一加权求和层进行加权求和处理,得到所述目标搜索特征包括:将所述第一隐层特征序列输入所述第一加权求和层,计算第一隐层特征序列中的每个隐层特征对应的权重ai,i=1,2,3,4,得到第一权重序列a=(a1,a2,a3,a4),第一权重序列的计算可以参照式1:
a=softmax(ws2*tanh(Ws1Ht))
式1
其中,a表示上述的第一权重序列,Ht表示转置处理后的第一隐层特征序列,Ws1和ws2为经过模型训练得到的第一加权求和层的模型参数,tanh表示双曲正切函数,softmax表示归一化函数。
然后,可以在第一加权求和层利用第一权重序列对第一隐层特征序列进行加权求和处理,得到上述的目标搜索特征,具体可以参照式2:
uu=∑i ai*hi,i=1,2,3,4
式2
其中,uu表示上述的目标搜索特征,ai表示隐层特征hi对应的权重,hi表示隐层特征。上述的隐层特征计算和加权求和的数据处理过程可以参见图4。
通过对目标对象的初始输入信息和对象属性信息进行特征转换(以向量表示),以及进行隐层特征计算和加权求和,能够得到与该目标对象的当前搜索输入情况对应的表征向量,使得到的目标搜索特征以向量形式融合该目标对象的个体特性和该目标对象当前的输入信息,对每个单位字段进行向量化表示,降低对于用户输入信息的准确性要求,且无需关注用于当前输入的关键字在完整搜索信息中的位置,使得搜索信息推荐具有改写和泛化的能力,提升搜索信息推荐的灵活性和丰富性,进而能够实现个性化的搜索信息补全推荐,例如用户当前输入关键词为“萌宠视频”,经过对输入信息和对象属性的单位字段的向量转换,后续的搜索推荐信息可以包括例如“宠物有趣视频”等。
在一个可选的实施例中,上述的候选表征信息可以为对候选搜索信息中的各搜索信息分别进行表征处理得到的;在一个具体的实施例中,上述的候选表征信息为候选搜索特征。请参阅图5,上述的候选搜索特征为预先基于第二特征表征模型对候选搜索信息进行特征表征处理得到的,上述方法还可以包括预先生成上述候选搜索特征的步骤,上述预先生成上述候选搜索特征的步骤可以包括:
在步骤S501中,获取候选搜索信息。
具体的,候选搜索信息可以包括多个搜索信息,且候选搜索信息中的每个搜索信息为推荐系统中的用户历史搜索的搜索信息,例如,曾有用户搜索过“海洋风景”,则会被记录在原始搜索日志中,根据原始搜索日志生成候选搜索信息。
在一个可选的实施例中,获取候选搜索信息可以包括:获取预设时间段的原始搜索日志,上述原始搜索日志中包含大量的历史搜索信息(推荐系统中的用户曾使用的完整搜索词),然后,根据上述预设时间段的搜索日志进行搜索信息筛选,得到上述的候选搜索信息。在一个可选的实施例中,根据上述预设时间段的搜索日志进行搜索信息筛选可以包括,根据上述预设时间段的搜索日志进行无效数据去除处理,例如将搜索频次低于预设次数的搜索信息去除,以及将包含目标信息(如一些不良词汇)的搜索信息去除。通过根据上述预设时间段的搜索日志进行搜索信息筛选,能够得到更加合理的候选搜索信息,进而提升后续搜索信息推荐的可靠性,且利用用户真实搜索产生的历史搜索信息生成候选搜索信息,结合用户的真实搜索情况进行搜索信息推荐,提升搜索信息推荐的准确性。
在步骤S503中,将上述候选搜索信息输入第二特征表征模型进行特征表征处理,得到上述候选搜索特征。
具体的,该候选搜索特征包括多个搜索特征,上述候选搜索特征可以指示上述候选搜索信息的特征信息,例如所属领域等。在本公开实施例中,该候选搜索特征具体可以为与候选搜索信息中的各搜索信息对应的表征向量,该候选搜索特征中的每个向量能够以向量形式综合体现与其对应的搜索信息的情况。
在一个可选的实施例中,与上述的第一特征表征模型类似,该第二特征表征模型可以包括第二信息特征转换层、第二特征计算层和第二加权求和层;在一个可选的实施例中,该第二特征表征模型可以为目标双塔模型的一部分。
通过预先基于第二特征表征模型对候选搜索信息进行特征表征处理,无需在每次进行搜索信息推荐应用中实时进行特征表征处理,有利于提升搜索信息推荐效率,减少重复计算量,降低终端和服务器的性能压力。
请参阅图6,上述将上述候选搜索信息输入第二特征表征模型进行特征表征处理,得到上述候选搜索特征的步骤可以包括:
在步骤S601中,将所述候选搜索信息输入所述第二信息特征转换层进行特征转换,得到第二初始特征序列。
具体的,将所述候选搜索信息输入所述第二信息特征转换层进行特征转换,得到第二初始特征序列的过程与步骤S301类似,对于候选搜索信息中的每个搜索信息,可以将该历史搜索信息中的每个字符作为一个单位字段并进行向量转换,得到候选搜索信息中的每个搜索信息对应的第二初始特征序列,具体过程可以参加步骤S301的相关描述,在此不再赘述。
在步骤S603中,将所述第二初始特征序列输入所述第二特征计算层进行隐层特征计算,得到第二隐层特征序列。
具体的,将所述第二初始特征序列输入所述第二特征计算层进行隐层特征计算,得到第二隐层特征序列与步骤S303类似,可以将候选搜索信息中的每个搜索信息对应的第二初始特征序列,输入所述第二特征计算层进行隐层特征计算,得到候选搜索信息中的每个搜索信息对应的第二隐层特征序列,具体过程可以参加步骤S303的相关描述,在此不再赘述。
在步骤S605中,将所述第二隐层特征序列输入所述第二加权求和层进行加权求和处理,得到所述候选搜索特征。
具体的,将所述第二隐层特征序列输入所述第二加权求和层进行加权求和处理,得到所述候选搜索特征与步骤S305类似,可以将候选搜索信息中的每个搜索信息对应的第二隐层特征序列,输入所述第二加权求和层进行加权求和处理,得到所述候选搜索特征,具体过程可以参见步骤S305的相关描述,在此不再赘述。此时得到的候选搜索特征可以包括uq1、uq2、uq3…uqn,此时候选搜索特征共包含n个表征向量,分别对应上述候选搜索信息中的n个搜索信息。
通过对候选搜索信息进行特征转换(以向量表示),以及进行隐层特征计算和加权求和,能够得到与候选搜索信息中的各搜索信息对应的表征向量,保持模型输入的一致性,进行搜索信息推荐时能够降低对于用户输入信息的准确性要求,且无需关注用于当前输入的关键字在搜索信息中的位置,使得搜索信息推荐具有改写和泛化的能力,提升搜索信息推荐的灵活性和丰富性。
在步骤S105中,基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息。
具体的,上述的关联信息可以表征该目标表征信息与上述候选表征信息间的关联情况(相关性),在一个具体的实施例中,上述目标表征信息与上述候选表征信息间的关联信息可以包括上述目标表征信息,与上述候选表征信息中各表征信息间的相似度。在一个具体的实施例中,当上述目标表征信息为目标搜索特征,上述候选表征信息为候选搜索特征时,上述目标表征信息与上述候选表征信息间的关联信息可以包括上述目标搜索特征,与上述候选搜索特征中各搜索特征间的相似度,该相似度可以为余弦距离,在实际应用中,向量间的余弦距离可以利用向量间的余弦夹角除以180得到。
在步骤S107中,基于所述关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息。
具体的,当上述目标表征信息与上述候选表征信息间的关联信息包括上述目标表征信息,与上述候选表征信息中各表征信息间的相似度时,可以按照相似度从大到小的顺序对上述候选搜索信息中的搜索信息进行排序(当上述相似度为余弦距离时,即按照余弦距离从小到大的顺序对上述候选搜索信息中的搜索信息进行排序),将前预设个数的搜索信息作为上述的目标搜索信息,该预设个数可以为,例如,3个,或5个。
在步骤S109中,向所述目标对象推荐所述目标搜索信息。
具体的,向所述目标对象推荐所述目标搜索信息可以包括在目标搜索页面展示上述的目标搜索信息。通过结合关联信息从候选搜索信息中确定目标搜索信息并推荐给目标对象,能够结合用户的个体特性实现个性化的搜索信息推荐,使得补全推荐的搜索信息更加符合用户的实际需求。
在一个可选的实施例中,请参阅图7,上述方法还可以包括:
在步骤S701中,响应于基于所述目标搜索信息触发的搜索信息确认指令,将所述目标搜索区域中的所述初始搜索信息更新为所述目标搜索信息。
在本公开实施例中,当目标搜索信息为一个时,可以响应于基于该目标搜索信息触发的搜索信息确认指令(例如用户点击了该目标搜索信息),将目标搜索区域中的初始搜索信息更新为所述目标搜索信息。例如,将“海洋”更新为“海洋风格穿搭”。当目标搜索信息为多个时,可以响应于基于所述目标搜索信息中的任一搜索信息触发的搜索信息选取指令,将所述目标搜索区域中的所述初始搜索信息更新为与该搜索信息选取指令对应的搜索信息。
在步骤S703中,向所述目标对象推荐与所述目标搜索信息对应的推荐信息。
具体的,上述的推荐信息可以包括图文信息等静态信息,也可以包括视频等动态信息,在实际应用中,例如,当目标搜索信息为“海洋风格穿搭”,可以向用户推荐海洋风格穿搭相关的视频。能够快速可靠地实现个性化搜索信息推荐,进而有利于提升推荐信息获取的准确性。
在一个可选的实施例中,上述的第一特征表征模型和第二特征表征模型可以为目标双塔模型的一部分,该目标双塔模型中还可以包括关联信息计算模型,该关联信息计算模型可以用于计算所述目标表征信息与所述候选表征信息间的关联信息。请参阅图8,图8是本公开实施例提供的一个目标双塔模型的结构示意图,该目标双塔模型左侧的第一特征表征模型可以用于对目标对象的初始搜索信息和对象属性信息进行特征表征处理,得到目标表征信息,具体可以包括第一信息特征转换层、第一特征计算层和第一加权求和层。该目标双塔模型右侧的第二特征表征模型可以用于对候选搜索信息进行特征表征处理,得到候选表征信息,具体可以包括第二信息特征转换层、第二特征计算层和第二加权求和层。在一个可选的实施例中,上述的第一特征表征模型和第二特征表征模型可以为Self-attentive(自注意力)模型。在一个可选的实施例中,可以预先利用该目标双塔模型右侧的第二特征表征模型对上述候选搜索信息进行特征表征处理,在每次用户搜索时无需重复计算,提升搜索信息推荐效率。
在一个可选的实施例中,请参阅图9,上述的基于所述初始搜索信息和所述对象属性信息确定目标表征信息可以包括:
在步骤S901中,将所述初始搜索信息和所述对象属性信息输入目标双塔模型中的第一特征表征模型进行特征表征处理,得到所述目标表征信息。
在一个具体的实施例中,上述目标表征信息可以为目标搜索特征;上述将所述初始搜索信息和所述对象属性信息输入目标双塔模型中的第一特征表征模型进行特征表征处理,得到所述目标表征信息的具体过程与步骤S201类似,该目标双塔模型中的第一特征表征模型可以包括第一信息特征转换层、第一特征计算层和第一加权求和层,具体可以参见步骤S201及其扩展的相关描述,在此不再赘述。
请继续参阅图9,获取所述候选表征信息可以包括:
在步骤S903中,获取所述候选搜索信息;
在步骤S905中,将所述候选搜索信息输入所述目标双塔模型中的第二特征表征模型进行特征表征处理,得到所述候选表征信息。
在一个具体的实施例中,上述候选表征信息可以为候选搜索特征;上述获取所述候选搜索信息,以及将所述候选搜索信息输入所述目标双塔模型中的第二特征表征模型进行特征表征处理,得到所述候选表征信息的具体过程与步骤S501~S503类似,该目标双塔模型中的第二特征表征模型可以包括第二信息特征转换层、第二特征计算层和第二加权求和层,具体可以参见步骤S501~S503及其扩展的相关描述,在此不再赘述。在一个可选的实施例中,上述获取所述候选搜索信息,以及将所述候选搜索信息输入所述目标双塔模型中的第二特征表征模型进行特征表征处理,得到所述候选表征信息的步骤可以为预先执行的(在用户进行搜索之前执行的),无需在每次进行搜索信息推荐应用中实时进行特征表征处理,有利于提升搜索信息推荐效率,减少重复计算量,降低终端和服务器的性能压力。
请继续参阅图9,上述基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息可以包括:
在步骤S907中,将所述目标表征信息和所述候选表征信息输入所述目标双塔模型中的关联信息计算模型进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息。
在本公开实施例中,上述的关联信息可以表征该目标表征信息与上述候选表征信息间的关联情况(相关性),在一个具体的实施例中,上述目标表征信息与上述候选表征信息间的关联信息可以包括上述目标表征信息,与上述候选表征信息中各表征信息间的相似度,可以利用上述的关联信息计算模型进行相似度计算。在一个具体的实施例中,当上述目标表征信息为目标搜索特征,上述候选表征信息为候选搜索特征时,上述目标表征信息与上述候选表征信息间的关联信息可以包括上述目标搜索特征,与上述候选搜索特征中各搜索特征间的相似度,该相似度可以为余弦距离,在实际应用中,向量间的余弦距离可以利用向量间的余弦夹角除以180得到。
通过利用目标双塔模型中的第一特征表征模型对目标对象的初始搜索信息和对象属性信息进行特征表征处理,以及利用该目标双塔模型中的第二特征表征模型对上述候选搜索信息进行特征表征处理,再进行关联信息计算,能够结合目标双塔模型灵活高效地实现特征表征和关联信息计算,进而提升搜索信息推荐的效率和可靠性。
在一个可选的实施例中,请参阅图10,上述方法还可以包括:
在步骤S1001中,获取样本对象的样本初始搜索信息和样本对象属性信息,以及所述样本对象的正样本训练数据和负样本训练数据。
具体的,样本对象包括多个,样本对象的样本初始搜索信息可以为样本对象对应的搜索关键字,在一个可选的实施例中,可以从所述样本对象的关联搜索信息集中确定搜索频次超过预设次数的搜索信息,从该搜索频次超过预设次数的搜索信息中随机截取文本作为上述的样本初始搜索信息,其中,样本对象的关联搜索信息集可以为样本对象对应的对象分组(例如一个对象分组中均为性别男,年龄20-25的对象)的历史搜索信息集合。该样本对象属性信息可以指示该样本对象的个体特性,具体可以包括但不限于该目标对象的年龄、性别、学历、兴趣爱好、工作性质、地理位置等。样本对象的正样本训练数据可以包括历史搜索信息中与该样本对象相关的搜索信息,在一个可选的实施例中,可以将上述样本对象的关联搜索信息集中搜索频次超过预设次数的搜索信息,作为上述样本对象的正样本训练数据。样本对象的负样本训练数据可以包括历史搜索信息中与该样本对象不相关的搜索信息。
在一个可选的实施例中,请参阅图11,上述样本对象的负样本训练数据的获取步骤可以包括:
在步骤S1101中,从所述样本对象的关联搜索信息集和非关联搜索信息集中,获取不包含所述样本初始搜索信息的第一搜索信息。
具体的,可以从样本对象的关联搜索信息集和非关联搜索信息集中随机选取不包含所述样本初始搜索信息的第一搜索信息,作为上述样本对象的负样本训练数据的一部分,有利于使模型更好地学习到字面相关性信息。
在步骤S1103中,从所述样本对象的非关联搜索信息集中,获取包含所述样本初始搜索信息的第二搜索信息。
具体的,样本对象的非关联搜索信息集可以为,样本对象以外的其他对象对应的对象分组的历史搜索信息集合,上述的第二搜索信息可以为其他对象对应的对象分组的历史搜索信息集合中,搜索频次超过预设次数的搜索信息,将上述的第二搜索信息作为上述样本对象的负样本训练数据的一部分,有利于使模型更好地学习到对象的个性化信息。
在步骤S1105中,基于所述第一搜索信息和所述第二搜索信息确定所述样本对象的负样本训练数据。
在一个可选的实施例中,可以将第一搜索信息和第二搜索信息按照预设比例进行融合,得到样本对象的负样本训练数据,在一个可选的实施例中,该预设比例可以为3:1。
通过获取第一搜索信息和第二搜索信息,基于第一搜索信息和第二搜索信息确定样本对象的负样本训练数据,能够使模型在学习到字面相关性信息的同时学习到对象的个性化信息,进而有利于提升模型性能,提升搜索信息推荐的灵活性和可靠性。
在步骤S1003中,将所述样本初始搜索信息、所述样本对象属性信息和所述正样本训练数据输入预设双塔模型进行关联信息计算,得到第一样本关联信息,所述预设双塔模型包括第一预设子模型、第二预设子模型和所述关联信息计算模型。
在一个可选的实施例中,将所述样本初始搜索信息、所述样本对象属性信息和所述正样本训练数据输入预设模型进行关联信息计算可以包括对样本初始搜索信息和样本对象属性信息进行特征表征处理,得到第一样本特征,以及对正样本训练数据(与样本对象相关的搜索信息)进行特征表征处理,得到第二样本特征,基于第一样本特征和第二样本特征进行关联信息计算得到第一样本关联信息,该第一样本关联信息可以为第一相似度(例如余弦距离)。
在步骤S1005中,将所述样本初始搜索信息、所述样本对象属性信息和所述负样本训练数据输入所述预设双塔模型进行关联信息计算,得到第二样本关联信息。
具体的,所述样本对象属性信息和所述正样本训练数据输入预设双塔模型进行关联信息计算可以包括对样本初始搜索信息和样本对象属性信息进行特征表征处理,得到第一样本特征,以及对负样本训练数据(与样本对象不相关的搜索信息)进行特征表征处理,得到第四样本特征,基于第三样本特征和第四样本特征进行关联信息计算得到第二样本关联信息,该第二样本关联信息可以为第二相似度(例如余弦距离)。
在步骤S1007中,基于所述第一样本关联信息和所述第二样本关联信息计算目标损失数据。
具体的,基于所述第一样本关联信息和所述第二样本关联信息计算目标损失数据的过程可以参照式3:
L=max(dp-dn+margin,0)
式3
其中,L为目标损失数据,dp为第一样本关联信息,dn为第二样本关联信息,margin为预设超参数,可以在模型训练之前结合实际应用需求进行设定。
在步骤S1009中,基于所述目标损失数据对所述第一预设子模型和所述第二预设子模型进行训练,得到所述目标双塔模型中的第一特征表征模型,以及所述目标双塔模型中的第二特征表征模型。
在一个可选的实施例中,可以通过梯度下降迭代的方式不断迭代更新模型参数以使L最小化,直到L小于预设损失阈值,或迭代达到预设迭代次数时停止迭代,得到目标双塔模型中的第一特征表征模型,以及目标双塔模型中的第二特征表征模型,目标双塔模型中的关联信息计算模型中没有需要训练得到的参数,此时即得到了目标双塔模型。通过进行模型训练,能够得到性能更好的模型以实现信息的特征表征(例如向量表征)和关联信息计算,进而有利于在实际应用中能够结合用户输入的初始搜索信息和个体特征快速可靠地实现个性化搜索信息推荐。
请参阅图12,图12是根据一示例性实施例示出的一种应用环境的示意图,如图12所示,该应用环境可以包括服务器100和终端200。
在一个可选的实施例中,服务器100可以用于训练第一特征表征模型、第二特征表征模型等。具体的,服务器100可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一个可选的实施例中,终端200可以结合服务器100训练出的第一特征表征模型、第二特征表征模型等进行信息的特征表征,进而进行搜索信息推荐处理。具体的,终端200可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、智能可穿戴设备等类型的电子设备。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
此外,需要说明的是,图12所示的仅仅是本公开提供的一种应用环境,在实际应用中,还可以包括其他应用环境,例如第一特征表征模型、第二特征表征模型的训练,也可以在终端200上实现。
本说明书实施例中,上述服务器100以及终端200可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
图13是根据一示例性实施例示出的一种搜索信息推荐装置的框图。参照图13,该搜索信息推荐装置1300包括信息获取模块1310、目标表征信息确定模块1320、关联信息计算模块1330、目标搜索信息确定模块1340和搜索信息推荐模块1350,其中:
信息获取模块1310,被配置为执行获取目标对象在目标搜索区域输入的初始搜索信息、所述目标对象的对象属性信息,和候选表征信息;
目标表征信息确定模块1320,被配置为执行基于所述初始搜索信息和所述对象属性信息确定目标表征信息;
关联信息计算模块1330,被配置为执行基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息;
目标搜索信息确定模块1340,被配置为执行基于所述关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息;
搜索信息推荐模块1350,被配置为执行向所述目标对象推荐所述目标搜索信息。
在一个示例性的实施方式中,所述目标表征信息为目标搜索特征,所述目标表征信息确定模块1320包括:
第一特征表征单元,被配置为执行将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征,所述目标搜索特征指示所述目标对象的搜索输入情况和所述目标对象的对象属性。
在一个示例性的实施方式中,所述第一特征表征模型包括第一信息特征转换层、第一特征计算层和第一加权求和层;所述第一特征表征单元包括:
第一特征转换单元,被配置为执行将所述初始搜索信息和所述对象属性信息输入所述第一信息特征转换层进行特征转换,得到第一初始特征序列;
第一隐层特征计算单元,被配置为执行将所述第一初始特征序列输入所述第一特征计算层进行隐层特征计算,得到第一隐层特征序列;
第一加权求和单元,被配置为执行将所述第一隐层特征序列输入所述第一加权求和层进行加权求和处理,得到所述目标搜索特征。
在一个示例性的实施方式中,所述候选表征信息为候选搜索特征,所述装置还包括候选搜索特征生成模块,被配置为执行预先生成所述候选搜索特征,所述候选搜索特征生成模块包括:
候选搜索信息获取单元,被配置为执行获取所述候选搜索信息;
第二特征表征单元,被配置为执行将所述候选搜索信息输入第二特征表征模型进行特征表征处理,得到所述候选搜索特征,所述候选搜索特征指示所述候选搜索信息的特征信息。
在一个示例性的实施方式中,所述第二特征表征模型包括第二信息特征转换层、第二特征计算层和第二加权求和层;所述第二特征表征单元包括:
第二特征转换单元,被配置为执行将所述候选搜索信息输入所述第二信息特征转换层进行特征转换,得到第二初始特征序列;
第二隐层特征计算单元,被配置为执行将所述第二初始特征序列输入所述第二特征计算层进行隐层特征计算,得到第二隐层特征序列;
第二加权求和单元,被配置为执行将所述第二隐层特征序列输入所述第二加权求和层进行加权求和处理,得到所述候选搜索特征。
在一个示例性的实施方式中,所述装置还包括:
搜索信息更新模块,被配置为执行响应于基于所述目标搜索信息触发的搜索信息确认指令,将所述目标搜索区域中的所述初始搜索信息更新为所述目标搜索信息;
信息推荐模块,被配置为执行向所述目标对象推荐与所述目标搜索信息对应的推荐信息。
在一个示例性的实施方式中,所述目标表征信息确定模块1320包括:
第一模型表征单元,被配置为执行将所述初始搜索信息和所述对象属性信息输入目标双塔模型中的第一特征表征模型进行特征表征处理,得到所述目标表征信息;
所述信息获取模块1310包括:
候选信息获取单元,被配置为执行获取所述候选搜索信息;
第二模型表征单元,被配置为执行将所述候选搜索信息输入所述目标双塔模型中的第二特征表征模型进行特征表征处理,得到所述候选表征信息;
所述关联信息计算模块1330包括:
关联信息模型计算单元,被配置为执行将所述目标表征信息和所述候选表征信息输入所述目标双塔模型中的关联信息计算模型进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息。
在一个示例性的实施方式中,所述装置还包括:
样本获取模块,被配置为执行获取样本对象的样本初始搜索信息和样本对象属性信息,以及所述样本对象的正样本训练数据和负样本训练数据;
第一关联信息计算模块,被配置为执行将所述样本初始搜索信息、所述样本对象属性信息和所述正样本训练数据输入预设双塔模型进行关联信息计算,得到第一样本关联信息,所述预设双塔模型包括第一预设子模型、第二预设子模型和所述关联信息计算模型;
第二关联信息计算模块,被配置为执行将所述样本初始搜索信息、所述样本对象属性信息和所述负样本训练数据输入所述预设双塔模型进行关联信息计算,得到第二样本关联信息;
损失数据计算模块,被配置为执行基于所述第一样本关联信息和所述第二样本关联信息计算目标损失数据;
模型训练模块,被配置为执行基于所述目标损失数据对所述第一预设子模型和所述第二预设子模型进行训练,得到所述目标双塔模型中的第一特征表征模型,以及所述目标双塔模型中的第二特征表征模型。
在一个示例性的实施方式中,所述样本获取模块包括:
第一搜索信息获取单元,被配置为执行从所述样本对象的关联搜索信息集和非关联搜索信息集中,获取不包含所述样本初始搜索信息的第一搜索信息;
第二搜索信息获取单元,被配置为执行从所述样本对象的非关联搜索信息集中,获取包含所述样本初始搜索信息的第二搜索信息;
负样本训练数据获取单元,被配置为执行基于所述第一搜索信息和所述第二搜索信息确定所述样本对象的负样本训练数据。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开实施例的搜索信息推荐装置通过获取目标对象在目标搜索区域输入的初始搜索信息、目标对象的对象属性信息,和候选表征信息;基于初始搜索信息和对象属性信息确定目标表征信息;基于目标表征信息和候选表征信息进行关联信息计算,得到目标表征信息与候选表征信息间的关联信息;基于关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息;向目标对象推荐目标搜索信息,能够结合目标对象的输入信息和特性,灵活高效地实现个性化的搜索信息推荐。
图14是根据一示例性实施例示出的一种用于搜索信息推荐的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图14所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象推荐方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的搜索信息推荐方法。
在示例性实施例中,还提供了一种计算机可读存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本公开实施例中的搜索信息推荐方法。
在示例性实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开实施例中的搜索信息推荐方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种搜索信息推荐方法,其特征在于,包括:
获取目标对象在目标搜索区域输入的初始搜索信息、所述目标对象的对象属性信息,和候选表征信息;
基于所述初始搜索信息和所述对象属性信息确定目标表征信息;
基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息;
基于所述关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息;
向所述目标对象推荐所述目标搜索信息。
2.根据权利要求1所述的方法,其特征在于,所述目标表征信息为目标搜索特征,所述基于所述初始搜索信息和所述对象属性信息确定目标表征信息包括:
将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征,所述目标搜索特征指示所述目标对象的搜索输入情况和所述目标对象的对象属性。
3.根据权利要求2所述的方法,其特征在于,所述第一特征表征模型包括第一信息特征转换层、第一特征计算层和第一加权求和层;所述将所述初始搜索信息和所述对象属性信息输入第一特征表征模型进行特征表征处理,得到所述目标搜索特征包括:
将所述初始搜索信息和所述对象属性信息输入所述第一信息特征转换层进行特征转换,得到第一初始特征序列;
将所述第一初始特征序列输入所述第一特征计算层进行隐层特征计算,得到第一隐层特征序列;
将所述第一隐层特征序列输入所述第一加权求和层进行加权求和处理,得到所述目标搜索特征。
4.根据权利要求1所述的方法,其特征在于,所述候选表征信息为候选搜索特征,所述方法还包括预先生成所述候选搜索特征的步骤,所述预先生成所述候选搜索特征的步骤包括:
获取所述候选搜索信息;
将所述候选搜索信息输入第二特征表征模型进行特征表征处理,得到所述候选搜索特征,所述候选搜索特征指示所述候选搜索信息的特征信息。
5.根据权利要求4所述的方法,其特征在于,所述第二特征表征模型包括第二信息特征转换层、第二特征计算层和第二加权求和层;所述将所述候选搜索信息输入第二特征表征模型进行特征表征处理,得到所述候选搜索特征包括:
将所述候选搜索信息输入所述第二信息特征转换层进行特征转换,得到第二初始特征序列;
将所述第二初始特征序列输入所述第二特征计算层进行隐层特征计算,得到第二隐层特征序列;
将所述第二隐层特征序列输入所述第二加权求和层进行加权求和处理,得到所述候选搜索特征。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于基于所述目标搜索信息触发的搜索信息确认指令,将所述目标搜索区域中的所述初始搜索信息更新为所述目标搜索信息;
向所述目标对象推荐与所述目标搜索信息对应的推荐信息。
7.一种搜索信息推荐装置,其特征在于,所述装置包括:
信息获取模块,被配置为执行获取目标对象在目标搜索区域输入的初始搜索信息、所述目标对象的对象属性信息,和候选表征信息;
目标表征信息确定模块,被配置为执行基于所述初始搜索信息和所述对象属性信息确定目标表征信息;
关联信息计算模块,被配置为执行基于所述目标表征信息和所述候选表征信息进行关联信息计算,得到所述目标表征信息与所述候选表征信息间的关联信息;
目标搜索信息确定模块,被配置为执行基于所述关联信息从所述候选表征信息对应的候选搜索信息中确定目标搜索信息;
搜索信息推荐模块,被配置为执行向所述目标对象推荐所述目标搜索信息。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的搜索信息推荐方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6中任一项所述的搜索信息推荐方法。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的搜索信息推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801267.0A CN113656685A (zh) | 2021-07-15 | 2021-07-15 | 一种搜索信息推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801267.0A CN113656685A (zh) | 2021-07-15 | 2021-07-15 | 一种搜索信息推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113656685A true CN113656685A (zh) | 2021-11-16 |
Family
ID=78489498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801267.0A Pending CN113656685A (zh) | 2021-07-15 | 2021-07-15 | 一种搜索信息推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656685A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160306898A1 (en) * | 2015-04-16 | 2016-10-20 | Naver Corporation | Method, system and computer-readable recording medium for recommending query word using domain property |
US20180189405A1 (en) * | 2016-03-21 | 2018-07-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for displaying recommended contents |
US20190050413A1 (en) * | 2016-06-29 | 2019-02-14 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for providing search recommendation information |
CN109446407A (zh) * | 2018-09-18 | 2019-03-08 | 深圳壹账通智能科技有限公司 | 关联推荐方法、装置、计算机设备和存储介质 |
CN109871483A (zh) * | 2019-01-22 | 2019-06-11 | 珠海天燕科技有限公司 | 一种推荐信息的确定方法及装置 |
CN111242748A (zh) * | 2020-02-21 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 用于向用户推荐项目的方法、装置和存储介质 |
CN111339240A (zh) * | 2020-02-10 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 对象的推荐方法、装置、计算设备和存储介质 |
CN112115354A (zh) * | 2020-09-02 | 2020-12-22 | 北京达佳互联信息技术有限公司 | 信息处理方法、装置、服务器及存储介质 |
CN112559777A (zh) * | 2019-09-25 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 内容项投放方法、装置、计算机设备及存储介质 |
CN112989177A (zh) * | 2019-12-12 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置、电子设备及计算机存储介质 |
CN113051368A (zh) * | 2021-03-24 | 2021-06-29 | 北京百度网讯科技有限公司 | 双塔模型训练方法、检索方法、装置及电子设备 |
-
2021
- 2021-07-15 CN CN202110801267.0A patent/CN113656685A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160306898A1 (en) * | 2015-04-16 | 2016-10-20 | Naver Corporation | Method, system and computer-readable recording medium for recommending query word using domain property |
US20180189405A1 (en) * | 2016-03-21 | 2018-07-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for displaying recommended contents |
US20190050413A1 (en) * | 2016-06-29 | 2019-02-14 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for providing search recommendation information |
CN109446407A (zh) * | 2018-09-18 | 2019-03-08 | 深圳壹账通智能科技有限公司 | 关联推荐方法、装置、计算机设备和存储介质 |
WO2020057022A1 (zh) * | 2018-09-18 | 2020-03-26 | 深圳壹账通智能科技有限公司 | 关联推荐方法、装置、计算机设备和存储介质 |
CN109871483A (zh) * | 2019-01-22 | 2019-06-11 | 珠海天燕科技有限公司 | 一种推荐信息的确定方法及装置 |
CN112559777A (zh) * | 2019-09-25 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 内容项投放方法、装置、计算机设备及存储介质 |
CN112989177A (zh) * | 2019-12-12 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置、电子设备及计算机存储介质 |
CN111339240A (zh) * | 2020-02-10 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 对象的推荐方法、装置、计算设备和存储介质 |
CN111242748A (zh) * | 2020-02-21 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 用于向用户推荐项目的方法、装置和存储介质 |
CN112115354A (zh) * | 2020-09-02 | 2020-12-22 | 北京达佳互联信息技术有限公司 | 信息处理方法、装置、服务器及存储介质 |
CN113051368A (zh) * | 2021-03-24 | 2021-06-29 | 北京百度网讯科技有限公司 | 双塔模型训练方法、检索方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330685A (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
CN111311107B (zh) | 基于用户关系的风险评估方法、装置和计算机设备 | |
CN112801215B (zh) | 图像处理模型搜索、图像处理方法、装置和存储介质 | |
US9939272B1 (en) | Method and system for building personalized knowledge base of semantic image segmentation via a selective random field approach | |
CN112270686B (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
US10217224B2 (en) | Method and system for sharing-oriented personalized route planning via a customizable multimedia approach | |
CN111581414A (zh) | 服饰识别、分类及检索的方法、装置、设备及存储介质 | |
CN114329029B (zh) | 对象检索方法、装置、设备及计算机存储介质 | |
CN108475256A (zh) | 从同现矩阵生成特征嵌入 | |
CN111507285A (zh) | 人脸属性识别方法、装置、计算机设备和存储介质 | |
CN117078790B (zh) | 图像生成方法、装置、计算机设备和存储介质 | |
CN110889759A (zh) | 信用数据的确定方法、装置及存储介质 | |
CN114358109A (zh) | 特征提取模型训练、样本检索方法、装置和计算机设备 | |
CN114443850A (zh) | 基于语义相似模型的标签生成方法、系统、装置和介质 | |
CN112131261A (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN113641835B (zh) | 多媒体资源推荐方法、装置、电子设备及介质 | |
CN111291563A (zh) | 词向量对齐方法和词向量对齐模型训练方法 | |
CN113420203B (zh) | 对象推荐方法、装置、电子设备及存储介质 | |
CN112069412B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN112232360A (zh) | 图像检索模型优化方法、图像检索方法、装置及存储介质 | |
CN110866637B (zh) | 评分预测方法、装置、计算机设备和存储介质 | |
CN113656685A (zh) | 一种搜索信息推荐方法、装置、电子设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115222112A (zh) | 一种行为预测方法、行为预测模型的生成方法及电子设备 | |
CN116955763A (zh) | 内容推荐方法、装置、计算机设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |